车辆识别是一个热点问题,随着全球车辆的增加,随之而来的问题也越来越多。智能交通成为每个国家必定发展的领域,而车辆识别则是其中重要的应用之一。本文首先围绕相关技术进行基础介绍。图像预处理阶段主要包括两个方面,图像的增强和复原,其目的是为了提高图像的质量。图像的特征包括图像的颜色特征、纹理特征、形状特征。然后介绍特征匹配和距离排序的简单介绍。本文的重点是提出了三种车辆识别的方法。首先用Hog特征求图像物体区域。之后先介绍了两种基于空间距离的图像匹配算法。第一种方法是全局特征匹配,是将图片RGB、HSV、YCbCr颜色模型的亮度通道和施密德和伽柏滤波器进行卷积,得到车辆图片的整体特征值集,然后用欧氏距离求出图像与图像之间的距离,找出最小值。第二种方法是将图片均匀分割成很多小块的局部特征识别,主要是根据Lab颜色模型和SIFT特征,结合两者的特性得到局部空间的新特征dColorSIFT,然后用欧氏距离算法来计算每一小块特征值之间的距离,找出每一小块的邻域内的最小距离,将一幅图像的各个小区域的最小距离相加,得到图像与另一幅图像之间的最小距离。第三种方法是基于Ranking SVM图像识别的方法,主要局部特征值dColorSIFT,再根据Ranking SVM将图像从最相关到不相关重新排序,找到与待匹配图像最相关的图像。实验结果证明了这些算法的有效性。